隧道监测设备故障判断方法、装置及电子设备制造方法及图纸

本申请提供了一种隧道监测设备故障判断方法、装置及电子设备，涉及数据处理技术领域，该方法包括：基于对每个断面的原始隧道数据得到的不同项预处理隧道数据进行相关性计算得到不同项预处理隧道数据之间的相关系数，并基于第一阈值得到相关数据集。在相关数据集中指定对象集、基础集并切分得到训练集、验证集以及测试集。通过权重初始化函数得到神经网络各层的初始权重值，基于训练集、验证集、测试集以及各层的初始权重值通过精度函数分别得到神经网络的精度值。基于各层的精度值分布得到隧道监测设备故障判断结果。本申请基于精度值得到隧道的每个断面的隧道监测设备故障判断结果，提高隧道监测设备故障判断的效率。

【技术实现步骤摘要】
隧道监测设备故障判断方法、装置及电子设备
本申请涉及数据处理
，具体而言，涉及一种隧道监测设备故障判断方法、装置及电子设备。
技术介绍
随着我国隧道工程从“以建为主”向“建养并重”转变，以及倡导“新基建”技术发展的指引，我国隧道结构运维监测技术正迅速崛起。但是隧道结构设计使用年限大多在100年及以上，在长期隧道结构监测过程中，由于系统老化、信号采集器失效、电路故障等各种因素的影响，会出现隧道监测失灵的情况。此外，由于隧道结构监测信号采集器具有数量大、体积小、功率低的特点以及有供电与数据传输共用同一线路的情况，因此，现阶段通过人工检测电流、电压等电信号进行隧道监测设备故障判断的技术存在人工作业量大、诊断效率低的问题。
技术实现思路
本申请的实施例在于提供一种隧道监测设备故障判断方法、装置及电子设备，以解决目前方法进行隧道监测设备故障判断时诊断效率低的问题。本申请的实施例提供了一种隧道监测设备故障判断方法，所述方法包括：对获取到的隧道中每个断面的原始隧道数据进行预处理，得到每个断面的预处理隧道数据；本文档来自技高网...

【技术保护点】
1.一种隧道监测设备故障判断方法，其特征在于，所述方法包括：/n对获取到的隧道中每个断面的原始隧道数据进行预处理，得到每个断面的预处理隧道数据；/n基于每个断面的不同项预处理隧道数据进行相关性计算，得到所述不同项预处理隧道数据之间的相关系数；/n筛选出所述相关系数大于第一阈值的预处理隧道数据，得到相关数据集；/n以所述相关数据集中的任意一项预处理隧道数据作为对象集，以所述相关数据集中除所述对象集之外的预处理隧道数据作为基础集，基于所述对象集以及所述基础集进行数据切分得到训练集、验证集以及测试集；/n通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值；/n基于所述训练集...

【技术特征摘要】
1.一种隧道监测设备故障判断方法，其特征在于，所述方法包括：
对获取到的隧道中每个断面的原始隧道数据进行预处理，得到每个断面的预处理隧道数据；
基于每个断面的不同项预处理隧道数据进行相关性计算，得到所述不同项预处理隧道数据之间的相关系数；
筛选出所述相关系数大于第一阈值的预处理隧道数据，得到相关数据集；
以所述相关数据集中的任意一项预处理隧道数据作为对象集，以所述相关数据集中除所述对象集之外的预处理隧道数据作为基础集，基于所述对象集以及所述基础集进行数据切分得到训练集、验证集以及测试集；
通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值；
基于所述训练集、所述验证集、所述测试集以及各层的所述初始权重值得到所述神经网络的精度值；
基于所述神经网络的精度值分布得到所述断面的隧道监测设备故障判断结果。


2.根据权利要求1所述的方法，其特征在于，所述基于每个断面的不同项预处理隧道数据进行相关性计算，得到所述不同项预处理隧道数据之间的相关系数，包括：
基于每个断面的不同项的预处理隧道数据通过第一计算公式进行两两皮尔森相关性计算得到所述相关系数；
所述第一计算公式包括：



其中，表示r表示每个断面的任意两项预处理隧道数据的相关系数，n表示所述断面中任意一项预处理隧道数据中包括的数据数目，Xi、Yi表示所述断面中任意两项预处理隧道数据中的第i个取值，表示Xi所在项对应的预处理隧道数据的平均值，表示Yi所在项对应的预处理隧道数据的平均值，SX表示Xi所在项对应的预处理隧道数据的方差值，SY表示Yi所在项对应的预处理隧道数据的方差值。


3.根据权利要求1所述的方法，其特征在于，所述通过权重初始化函数进行神经网络权重初始化设置分别得到神经网络各层的初始权重值，包括：
通过第二计算公式计算所述神经网络各层的初始权重值；
所述第二计算公式包括：



其中，fanin表示所述神经网络第k层的输入量个数，所述神经网络第k层的初始权重值为[-Lk,Lk]均匀分布中的随机抽取值。


4.根据权利要求1所述的方法，其特征在于，所述基于所述训练集、所述验证集、所述测试集以及所述各层的初始权重值得到所述神经网络的精度值，包括：
基于激活函数、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中的输出值；
基于所述输出值与所述输出值在所述训练集、所述验证集、所述测试集中对应的所述神经网络中的输入值计算所述神经网络的所述神经网络的精度值。


5.根据权利要求4所述的方法，其特征在于，所述基于激活函数、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中的输出值，包括：
基于第三计算公式、所述训练集、所述验证集、所述测试集以及所述各层的初始权重值计算所述神经网络中每一层输出值，所述神经网络的输入为所述训练集、所述验证集或者所述测试集中的预处理隧道数据，所述神经网络的每个隐藏层的输入为所述神经网络的上一层的输出；
所述第三计算公式包括：



其中，xm表示所述神经网络的第...

【专利技术属性】
技术研发人员：孙飞，李长俊，吴德兴，李伟平，谢雄耀，钟方杰，郭洪雨，
申请(专利权)人：浙江数智交院科技股份有限公司，
类型：发明
国别省市：浙江;33